基于SVM的图像分类算法与是实现

SVM(Support Vector Machine，支持向量机)，是一种二类分类模型，其基本模型定义为特征空间上的即那个最大的线性分类器，器学习策略是间隔最大化，最终可转化为一个凸二次规划问题的解决。(线性支持向量机、非线性支持向量机)。
一.线性SVM
SVM的主要思想是建立一个超平面作为决策曲面，是的正例和反例之间的隔离边缘被最大化。对于二维线性可分情况，令H为把两类训练样本没有错误地分开的分类县，H1、H2分别为过各类中离分类线最近的样本且平行于分类线的直线，它们之间的距离讲座分类间隔。所谓最优分类线就是要求分类线不但能将两类正确分开，而且使分类间隔最大。在高维空间，最优分类线就成为最优分类线。
1.线性分类器。
即用一个超平面将正负样本分离开。
2.最优分类面
对于SVM，存在一个分类面，两点集到此平面的最小距离最大，两个点集中的边缘点到此平面的距离最大。

二.分线性SVM与核函数
在学习样本是线性不可分，但却是非线性可分的情况下，可以通过非线性变换吧学习样本变换到高维空间，使其咋高维空间里是线性可分的。用K(x,y)代替原来的点积(x,y)，Mercer定理(任何半正定的函数都可以作为核函数)指出，核函数K(x,y)通过与其想联系的非线性变换φ隐含地把特征向量映射到高维特征空间，使得系学习样本成为线性可分的。常用核函数有：
(1).多项式核函数；
(2).径向基函数；
(3).Sigmoid函数；

三.算法实现
1.特征指标
a.灰度差异度D

b.颜色丰富度E

c.灰度退化度R

2.实验总体流程

参考文献：张淑雅,赵一鸣,李均利.基于SVM的图像分类算法与实现[J].计算机工程与应用.2007,43(25):40-42